AIツール

Voicebox Windowsネイティブ展開:音声クローン、Qwen3-TTS、Whisper、MCP統合

Windowsにローカルインストールし、音声クローン、Qwen3-TTS、Whisper音声入力、MCPを設定し、CUDA、モデルダウンロード、VRAMの問題のトラブルシューティングを行います。

Voiceboxは、ボイスクローン、テキスト読み上げ、Whisper音声認識、グローバル音声入力、REST API、MCPサーバーを単一のデスクトップアプリケーションに統合した、ローカルファーストのオープンソースAI音声ワークベンチです。

Windows CUDA、macOS MLX、Linux、AMD ROCm、Intel Arc、Dockerに対応しています。WindowsユーザーはPythonプロジェクトを立ち上げることなくMSIを直接インストールできます。モデル、参照音声、生成結果はデフォルトでローカルに保存されており、サードパーティサービスに音声サンプルをアップロードしたくない場合に適しています。

クイック回答

Windowsで最も簡単な方法は、Voicebox ReleasesからMSIをダウンロードすることです。最初の実行後、VRAM対応のTTSエンジンを1つだけインストールし、まず通常のテキストを音声に変換し、その後音声クローン用のリファレンスオーディオを追加します。Claude CodeやCursor、その他のエージェントに音を出す必要がある場合は、VoiceboxのMCP設定でサービスを有効にし、インターフェースで生成されたアドレスに従ってクライアントを設定します。

すべてのモデルを同時にダウンロードしないでください。Qwen3-TTS、Chatterbox、TADA、WhisperはそれぞれディスクとVRAMを消費し、モデルが多すぎると初期のトラブルシューティングが難しくなります。

ボイスボックスに何ができる?

現在のプロジェクトでは、入力と出力の2つの音声リンクを組み合わせています。

  • 数秒間の参照音声を使って音声構成を作成すること;
  • Qwen3-TTS、Chatterbox、Kokoroなどのボイススルーエンジンを生成;
  • Whisperを使ってマイクや音声ファイルをテキストに変換する;
  • 他のアプリでグローバルショートカットを使い、
  • REST APIまたはMCPを通じてAIエージェントが音声を呼び出せるようにすること;
  • ストーリーエディターで多役の対話、ポッドキャスト、ナレーションを組み合わせること;
  • リバーブ、ピッチチェンジ、コンプレッションなどのエフェクトを生成された結果に追加します。

プロジェクトREADMEには現在7つのTTSエンジンと23言語が掲載されていますが、各エンジンは異なる言語、メモリ要件、パフォーマンスをサポートしています。したがって、「23言語のアプリケーションサポート」はすべてのモデルですべての言語をサポートするとは理解できません。

Windowsのインストール手順

1.グラフィックカードとドライバーを確認してください

NVIDIAユーザーはまず以下を実行します:

1

nvidia-smi

コマンドが存在しない、またはドライバー情報が表示されない場合は、まずグラフィックカードのドライバーを修復してください。Voiceboxのインストールが成功したからといって、必ずしもCUDA推論が可能であるわけではありません。

NVIDIAグラフィックスカードがなければ、CPUやプロジェクトがサポートする他のバックエンドも試せますが、世代速度や利用可能なモデルに影響が出ます。

2.MSIをダウンロードしてください

公式リリースページから最新のWindowsインストーラーをダウンロードしてください:

1

https://github.com/jamiepine/voicebox/releases/latest

インストール後、スタートメニューから起動してください。WindowsのSmartScreenが未知のパブリッシャーを表示した場合は、まずダウンロードリンク、リリースファイル名、プロジェクトリポジトリを確認してください。サードパーティのクラウドドライブからいわゆるグリーンバージョンを探しないでください。

3.テスト用にダウンロードされたモデルは1つだけでした

最初のテストはハードウェアで選択できます:

シナリオ 推奨出発点
CPUまたはVRAMは非常に小さい KokoroかLuxTTSか
中国語、多言語、音声クローン作成が必要 Qwen3-TTS 0.6B
エクスプレッションコントロールを強調する Qwen3-TTS 1.7BまたはQwen CustomVoice
もっと言語カバレッジが必要 おしゃべり多言語

利用可能な具体的なモデルは、アプリケーションの現在のモデル管理ページに基づいています。モデルをダウンロードした後、まず短いテキストを入力してデフォルトの音声を生成し、バックエンドが正常であることを確認し、その後音声設定を作成します。

音声クローン設定を作成

リファレンス音声は結果に直接影響します。推奨事項:

  1. 背景音楽や残響なしの一人録音を使用すること;
  2. 自然な話す速度と安定した音量を維持すること;
  3. 長時間の沈黙や明らかな騒音を排除すること;
  4. 許可された声のみを使用すること;
  5. まず短い文でテストし、長い記事を直接生成しない。

Voice Profileで参照音声をアップロードまたは録音し、ゼロショットクローン対応のエンジンを選択し、テストテキストを入力します。エンジンによって参照音声の長さや文字起こしの精度に関する要件は異なります。もしあるエンジンの性能が悪ければ、音量を上げるだけでなく比較のためにエンジンを切り替えることができます。

口述と書き起こしにはウィスパーを使おう

Voiceboxの音声入力はWhisperを使用し、ベース、スモール、ミディアム、ラージ、ターボなどのサイズを選択できます。通常:

  • 小型モデルはダウンロードが速く、使用量も少なく、日常的な口述に適しています。
  • 大型モデルは重く、アクセントやノイズ、複雑な内容に適しています。
  • ターボは、品質を維持しつつ速度を上げたい作業に適しています。

グローバル音声入力にはシステムのマイク権限が必要です。「録音はできるが貼り付けできない」と表示された場合は、マイクの権限、Voiceboxショートカットキーの競合、ターゲットアプリが自動入力を許可しているかどうかを確認してください。

MCPエージェントを統合する

Voiceboxには、MCP対応クライアントがvoicebox.speak通話できる内蔵MCPサーバーがあります。推奨されるプロセスは以下の通りです:

  1. Voiceboxで手動音声生成を1回完成;
  2. MCP→設定を開く;
  3. MCPを有効にし、インターフェースが提供する接続情報をコピーします。
  4. Claude Code、Cursor、Cline、またはその他のMCPクライアントでサービスを追加する;
  5. エージェントに接続と音の構成を確認するために短い一文だけ話させる;
  6. 次に、異なるボイスプロファイルを異なるエージェントにバインドします。

このプロジェクトはHTTPおよびstdioの両方の伝送方法を提供しています。手書きポートやバイナリパスに関する古いチュートリアルに頼らないでください。現在のバージョン設定ページで生成された構成を優先してください。

エージェントボーカルは完了通知、承認問題、短いステータスプロンプトに適しています。ログ全体を音声で読み上げるのは避けてください。これは生成キューを占有し、音声からの技術的なエラーを見つけるのが難しくなります。

Docker の実行

プロジェクトのREADMEが提供するDockerのエントリポイントは以下の通りです:

1

docker compose up

DockerはLinuxサーバーや依存関係を分離したいユーザーに適しています。WindowsでGPUが必要な場合は、Docker Desktop、WSL2、NVIDIAドライバー、コンテナGPUのサポートが正常であることを確認してください。デスクトップの口述やグローバルショートカットは、MSIネイティブ版の方が適しています。

公式docker-compose.ymlはCPUビルドをデフォルトで設定しており、自動的にNVIDIA GPUを使用するわけではありません。サービスはローカルループバックアドレスに限定しています:

1

127.0.0.1:17600 -> container:17493

したがって、Docker版のヘルスチェックはデスクトップ版で一般的に使われる17493ではなく、ホストの17600にアクセスするべきです。

1

Invoke-RestMethod http://127.0.0.1:17600/health

Composeファイルはまた、3種類の永続データも定義しています:

データ デフォルト位置 機能
音声生成 ./output ホストから直接結果を読み取るのに便利
voicebox-data Docker名付きボリューム プロファイル、データベース、アプリケーションデータの保存
huggingface-cache Dockerでボリューム名付き 再構築後にモデルを再ダウンロードするのは避けてください

容器を止める際に-vを加えないでください:

1

docker compose down

docker compose down -vは名前付きボリュームも削除するため、モデルキャッシュやアプリケーションデータの両方が消失する可能性があります。

第一世代が遅い理由を理解する

公式のトラブルシューティングドキュメントによると、初代はアプリケーションがモデルのダウンロードと初期化を要するため、2〜5分かかることがあるとされています。モデルサイズはエンジンによって大きく異なります。Kokoroは約350MB、TADA 3Bは約8GBに達します。

最初のテストでは、以下の順番で観察します。

  1. モデル→設定はダウンロード進行状況を表示しますか?
  2. ネットワークがハギングフェイスにアクセスできるかどうか;
  3. モデルダウンロード完了後、GPUかCPUかが動作を開始したか;
  4. 第2世代が明らかに速いかどうか確認する。

最初の動作が遅くて2回目が正常であれば、それは故障ではありません。ダウンロードの進行状況が長期間変わらない場合、ログにエラーがある場合、または起動時に毎回ダウンロードが再始動する場合、ネットワークとキャッシュディレクトリを確認してください。

低帯域幅やインストールの成功確認を目的とする場合、公式の推奨はまずダウンロードボリューム約300〜350MBのKokoroまたはLuxTTSを使い、その後、より大きなクローンモデルをインストールするかどうかを決めることです。

サービス状況とログを見る

デスクトップアプリのバックエンドはデフォルトで17493です。赤いステータスが表示されたり左下にFailed to connect to serverメッセージが表示された場合は、まずポートを確認してください:

1

Get-NetTCPConnection -LocalPort 17493 -State Listen

別のプロセスが戻された場合は、PIDを記録します:

1

Get-Process -Id (Get-NetTCPConnection -LocalPort 17493 -State Listen).OwningProcess

プロセスが停止可能であることを確認したら、通常通り閉じてください。ポート占有を見たからといって、未知のシステムプロセスを直接停止しないでください。

Windowsサービスログは以下の場所にあります:

1

type %APPDATA%\sh.voicebox.app\logs\server.log

PowerShellはテールのリアルタイム表示を可能にします:

1

Get-Content "$env:APPDATA\sh.voicebox.app\logs\server.log" -Tail 100 -Wait

ログは少なくとも4種類の問題を識別できます:サービス開始の失敗、モデルダウンロードの失敗、CUDA/メモリエラー、オーディオまたはデータベースエラーです。

flash-attn is not installed 修理すべきか?

Windowsログは再発することがあります:

1

Warning: flash-attn is not installed. Will only run the manual PyTorch version.

公式ドキュメントには、これは通常無視できると明記されています。Windowsには安定した公式flash-attnサポートはありません。VoiceboxはPyTorchの内蔵SDPAを使用しており、音声は通常の生成が可能です。この警告をサービス開始の失敗として扱わないでください。また、ログを消すためにミスマッチなコミュニティホイールをインストールすることも推奨しないでください。

Linux、CUDA、PyTorchのバージョンが完全に互換性があり、実際にパフォーマンスが制限されている場合のみ考慮してください:

1

pip install flash-attn --no-build-isolation

コンパイルには20分以上かかることがあり、失敗してもデフォルトのバックエンドの使用に影響はありません。

VRAMモードとCPUモードの選び方

公式のトラブルシューティングドキュメントでは、GPU生成の実用的な閾値として6GB以上のVRAMが使われています。エンジンによってバリエーションはあるため、実際のモデルとテキストの長さを標準として使うべきです。

CUDA out of memoryが現れたら、以下の順番で処理してください:

  1. WebGLを占有しているゲーム、ビデオエディター、ブラウザタブを閉じる;
  2. 現在使われていないモデルをVoiceboxからアンインストールする;
  3. アプリを再起動し、占有されているが解放されていないVRAMを消去する;
  4. 小型モデルへの切り替え;
  5. 長文テキストを分割すること;
  6. 最後に、設定→世代→CPUではなくCPUを使うに切り替えます。

CPUモードはシステムメモリを使用し、公式の推定ではGPUの5〜10倍遅い可能性があります。これは機能検証や低周波生成に適しており、バッチタスクを続けるためにメモリ問題を隠すには適していません。

音質はどう比較すべきでしょうか?

たった一文だけでモデルを判断しないでください。固定されたテストテキストのセットを用意してください:

1
2
3
4
5

1. 普通陈述句：测试音色稳定性和自然停顿。
2. 数字与英文缩写：测试中英文混读。
3. 长句和逗号：测试呼吸与分句。
4. 专有名词：测试发音和文本规范化。
5. 情绪标签：只用于明确支持标签的引擎。

各ボイスプロファイルは同じテキストセット、同じ出力フォーマット、類似したパラメータを使用します。公式の推奨は、参照音声には10〜30秒のクリアな録音を使用し、同じスピーカーからの複数のサンプルセグメントを追加することも可能です。トーンは似ているがトーンが硬い場合は、単純にサンプル長を伸ばすのではなく、リファレンスサンプル自体が単調すぎるかどうかを確認してください。

モデルキャッシュとデータバックアップ

アプリケーションはモデルディレクトリの移行およびプロファイルのインポートおよびエクスポートを提供します。アップグレード、ディスクのクリーンアップ、再インストールの前に、重要なプロファイルをアプリケーションからエクスポートし、モデルディレクトリを記録することを優先してください。

公式ドキュメントにはデータベースを直接削除する復元方法が記載されていますが、これによりVoice Profilesや生成履歴が失われるため、通常のトラブルシューティングの最初のステップとしては使えません。SQLiteロックに遭遇した場合は、まずすべてのVoiceboxインスタンスを閉じてデータをバックアップし、ログに基づいてロックファイルを処理してください。

モデルのバージョンが異常であれば、Hugging Faceのキャッシュ全体を直接削除しないでください。まず、モデル設定で特定のモデルを削除→;手動のクリーニングはモデルディレクトリがクリアに限定され、アプリケーションは閉じられていることを確認してください。

リモートアクセスのためにポートを直接公開しないでください

Voiceboxのバックエンドは健康チェックを提供します:

1

curl http://<server-ip>:17493/health

これはサービスが到達可能かどうかを検証するものであり、公共ネットワークへの直接的な露出に適しているとは限りません。リモート利用には少なくとも以下の条件が必要です:

  • ファイアウォールは信頼できるソースのみを許可します。
  • VPN、SSHトンネル、または認証済みリバースプロキシによるアクセス;
  • モデル管理、プロファイル、生成インターフェースは開示されません。
  • MCPクライアントがツールアドレスを同期設定に書き込みているかどうかを確認する。
  • 訪問記録を定期的に確認すること。

エージェントが同じコンピュータ上でのみ呼び出されている場合、127.0.0.1はLANポートを開かずにバインドを続けるはずです。

よくある問題トラブルシューティング

モデルダウンロードが止まっています

まずディスク容量とネットワークを確認し、次にHugging Face Hubにアクセスできるか確認してください。Voiceboxモデルページの非アクティブ化、クリーンアップ、移行時は組み込み機能を優先し、データディレクトリ全体を直接削除しないでください。

手動検証が必要な場合は、Hugging Face CLIをインストールしてモデルダウンロードを別途試すことができます:

1
2

pip install huggingface_hub
huggingface-cli download Qwen/Qwen3-TTS-12Hz-1.7B-Base

CLIもダウンロードできない場合、問題は通常、Voiceboxインターフェースではなくネットワーク、プロキシ、ディスク、またはHugging Faceのアクセス側にあります。

CUDAは利用可能ですが、生成時にはVRAMが不足しています

他のGPU負荷の高いプログラムを閉じ、未使用モデルをアンインストールし、より小さなエンジンやバージョン0.6Bに切り替え、1時間あたりのテキスト生成量を短縮してください。長いテキストは自動的にチャンク分けできますが、それでもタスク時間とキャッシュ使用量が増加します。

不自然な中国語の発音

現在のエンジンが明確に中国語に対応していることを確認し、参照音声言語と生成されたテキストをできるだけ一致させるようにしてください。英語専用モデルが中国語の文字を読み取れるとしても、中国語の品質が十分であるというわけではありません。

MCPは設定済みですが、エージェントには音が出ません

まず、Voicebox内で音声を手動生成し、MCPクライアントがvoicebox.speakを見つけたか、Voice Profile名が存在するか、Voiceboxがまだ稼働しているかを確認します。「ツール未接続」と「音声生成失敗」を調査のために分けてください。

プライバシーと音声認証

ローカル操作は音声サンプルのアップロードリスクを減らしますが、認証問題を自動的に解決するわけではありません。他人の声をなりすまし、詐欺、または不正な公共コンテンツのためにクローンしないでください。生成音声を公開する際は、合成ソースを明確に示し、参照音声およびエクスポートされたボイスプロファイルを適切に保護するのが最善です。

参考文献